يعد التقسيم الدلالي العميق أمرًا حيويًا لفهم المشاهد عالية الدقة في الاستشعار عن بعد. تحتوي صور الاستشعار عن بعد على اختلافات كبيرة في عدد وحجم الأنواع المختلفة من الأجسام، بالإضافة إلى خصائص مكانية ودلالية معقدة، كما أن طريقة الدمج المباشر للمميزات المكانية والدلالية تحتوي على عيوب تتمثل في عدم الاستفادة الكاملة من الخصائص الغنية الموجودة في الصورة. لذلك، ولحل مشكلات نقص التخصص في استخراج المميزات والاستخدام غير الكافي لها، تقترح هذه الورقة خوارزمية لتقسيم المعنى لصورة الاستشعار عن بعد عالية الدقة بناءً على شبكة تجميعية ذات ثلاثة فروع. أولاً، تم تصميم فروع استخراج مميزات مختلفة للمميزات المكانية والدلالية على التوالي للاستفادة الكاملة من المعلومات المكانية والدلالية لصورة الاستشعار عن بعد، مما يعزز التكامل بين المميزات. ثانياً، تم اقتراح مفهوم فرع الاتساق الذي يهدف إلى تعلم ميزات الاتساق بين الدلالة والمكان، وبالتالي تحسين أداء التقسيم الخاص بالشبكة. أخيراً، تم طرح وحدة دمج الميزات متعددة المقاييس لدمج الميزات الثلاثة بشكل موزون، مما عزز قدرة التكيف للنموذج. بالإضافة إلى ذلك، تقترح هذه الورقة طريقة تعزيز بيانات جديدة تعتمد على القص العشوائي مع التركيز على الاتساق المكاني، وتم دمج دالة خسارة مختلطة لمعالجة مشكلة عدم توازن عدد الفئات في مجموعة البيانات، مما خفف بشكل فعال من فرط التكيف الناتج عن قلة عينات بعض الفئات في مجموعة البيانات. أظهرت تجارب التحقق أن الخوارزمية المقترحة حققت متوسط تقاطع فوق الاتحاد يصل إلى 87.84٪ و87.49٪ على مجموعتي بيانات ISPRS Potsdam وVaihingen على التوالي، مما يثبت قدرة هذه الخوارزمية على استخراج ودمج الميزات الدلالية والمكانية لصور الاستشعار عن بعد عالية الدقة بكفاءة، وزيادة دقة تقسيم صور الاستشعار عن بعد.

صور الاستشعار عن بعد عالية الدقة;التقسيم الدلالي;الدمج متعدد المقاييس;تعزيز البيانات;استخراج الميزات متعدد الفروع;الاتساق المكاني